Visualización Intercativa de Datos Geográficos

Librerías

import pandas as pd
import plotly.express as px
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

1. Cargar el dataset de producción

energia = pd.read_csv('https://raw.githubusercontent.com/lihkir/Uninorte/main/AppliedStatisticMS/DataVisualizationRPython/Lectures/Python/PythonDataSets/share-of-electricity-production-from-renewable-sources.csv')
energia.head()

	Country	Code	Year	Renewable electricity (% electricity production)
0	Afghanistan	AFG	1990	67.730496
1	Afghanistan	AFG	1991	67.980296
2	Afghanistan	AFG	1992	67.994310
3	Afghanistan	AFG	1993	68.345324
4	Afghanistan	AFG	1994	68.704512

2. Ordenar el Dataframe de producción en función de la característica Year.

df_ordenado = energia.sort_values(by='Year')
df_ordenado

	Country	Code	Year	Renewable electricity (% electricity production)
0	Afghanistan	AFG	1990	67.730496
1668	France	FRA	1990	13.369879
1643	Finland	FIN	1990	29.451790
1618	Fiji	FJI	1990	82.441113
1593	Faeroe Islands	FRO	1990	35.545024
...	...	...	...	...
2707	Lebanon	LBN	2014	1.075089
919	Central African Republic	CAF	2014	85.792350
2682	Latvia	LVA	2014	54.541918
4743	Switzerland	CHE	2014	58.015463
5406	Zimbabwe	ZWE	2014	55.622069

5407 rows × 4 columns

3. Generar un mapa de coropletas para la producción de energía renovable en función del Year.

fig = px.choropleth(df_ordenado,
                    locations='Code', 
                    color='Renewable electricity (% electricity production)', 
                    hover_name='Country',
                    animation_frame='Year', 
                    color_continuous_scale=px.colors.sequential.Plasma)

fig.show()

4. Actualice el diseño para incluir un estilo de proyección adecuado y un texto de título, y luego muestre la figura.

fig = px.choropleth(df_ordenado,
                    locations='Code', 
                    color='Renewable electricity (% electricity production)', 
                    hover_name='Country',
                    animation_frame='Year', 
                    color_continuous_scale=px.colors.sequential.Plasma, 
                    title='Producción de Energía Renovable por Región y Año',
                    labels={'Renewable electricity (% electricity production)': 'Renewable electricity'})

fig.update_layout(
    title=dict(x=0.5),
    geo=dict(
        showframe=False, 
        showcoastlines=False  
    ),
    autosize=False, 
    width=1000, 
    height=800 
)

fig.show()

Se observa que a medida que pasan los años, la tendecia a incorporar energías renovables va en aumento. Sobretodo en los países de América y Europa.

5. Cargar el Dataset de consumo de energía renovable

consumo = pd.read_csv('https://raw.githubusercontent.com/lihkir/Uninorte/main/AppliedStatisticMS/DataVisualizationRPython/Lectures/Python/PythonDataSets/renewable-energy-consumption-by-country.csv')
consumo.head()

	Country	Code	Year	Traditional biofuels	Other renewables (modern biofuels, geothermal, wave & tidal)	Wind	Solar PV	Hydropower	Total
0	Algeria	DZA	1965	NaN	0.0	0.0	0.0	NaN	0.0
1	Algeria	DZA	1966	NaN	0.0	0.0	0.0	NaN	0.0
2	Algeria	DZA	1967	NaN	0.0	0.0	0.0	NaN	0.0
3	Algeria	DZA	1968	NaN	0.0	0.0	0.0	NaN	0.0
4	Algeria	DZA	1969	NaN	0.0	0.0	0.0	NaN	0.0

7. Ordenar el DataFrame de consumo en base a la característica Year.

df_ordenado = consumo.sort_values(by='Year')
df_ordenado

	Country	Code	Year	Traditional biofuels	Other renewables (modern biofuels, geothermal, wave & tidal)	Wind	Solar PV	Hydropower	Total
0	Algeria	DZA	1965	NaN	0.000000	0.000000	0.000000	NaN	0.000000
1364	Ireland	IRL	1965	NaN	0.000000	0.000000	0.000000	NaN	0.000000
2656	Sweden	SWE	1965	NaN	0.000000	0.000000	0.000000	NaN	0.000000
1416	Israel	ISR	1965	NaN	0.000000	0.000000	0.000000	NaN	0.000000
1468	Italy	ITA	1965	NaN	2.676000	0.000000	0.000000	NaN	2.676000
...	...	...	...	...	...	...	...	...	...
947	Finland	FIN	2016	NaN	11.794548	3.068000	0.013462	NaN	14.876009
155	Australia	AUS	2016	NaN	3.352482	13.190887	7.157880	NaN	23.701249
2863	Thailand	THA	2016	NaN	9.649613	0.465826	2.334719	NaN	12.450158
2603	South Korea	KOR	2016	NaN	12.018676	1.779674	5.236650	NaN	19.035000
3343	Vietnam	VNM	2016	NaN	0.059162	0.241540	0.007170	NaN	0.307871

3344 rows × 9 columns

8. Generar un mapa coroplético para el consumo de energía renovable utilizando el módulo plotly express animado en función del año.

fig = px.choropleth(df_ordenado,
                    locations='Code', 
                    color='Total', 
                    hover_name='Country',
                    animation_frame='Year', 
                    color_continuous_scale=px.colors.sequential.Plasma)

fig.show()

9. Actualice el diseño para incluir un estilo de proyección adecuado y un texto de título, y luego muestre la figura.

fig = px.choropleth(df_ordenado,
                    locations='Code', 
                    color='Total', 
                    hover_name='Country',
                    animation_frame='Year', 
                    color_continuous_scale=px.colors.sequential.Plasma, 
                    title='Consumo de Energía Renovable por Región y Año')

fig.update_layout(
    title=dict(x=0.5),
    geo=dict(
        showframe=False, 
        showcoastlines=False  
    ),
    autosize=False, 
    width=1000, 
    height=800 
)

fig.show()

Se observa que a medida que pasan los años la tendencia general de los países es aumentar el consumo en energías renovables.